基于贝叶斯集成学习算法的土体先期固结压力预测模型

Prediction Model of Soils’ Preconsolidation Pressure Based on Bayesian Ensemble Learning Algorithm

摘要

准确评估土体的先期固结压力（PS）是岩土工程实践中的一个重要问题.采用集成学习算法（XGBoost、RF）来捕捉各个土体参数之间的关系，建立先期固结压力预测模型.使用贝叶斯优化方法来确定模型的最优参数，并通过与SVR、KNN和MLP三种非集成算法进行对比，统计分析了不同模型在相关系数R² 、均方根误差RMSE和绝对平均误差MAPE三种误差指标下的表现；最后在5折交叉验证下，评估各个模型的预测精度及泛化性.结果表明基于XGBoost的预测精度最高，其RMSE及MAPE分别为20.80 kPa和18.29%；其次是RF，分别为24.532 kPa和19.15%.同时在PS作为回归变量的情况下，其特征重要性为：USS>VES>w>LL>PL.因此，在小规模数据集情况下，集成学习算法在预测精度及泛化性上要优于其他算法，且可作为岩土参数敏感性分析的有效方法.

关键词

先期固结压力 / 集成学习 / 贝叶斯优化 / 5折交叉验证 / XGBoost / 工程地质

Key words

preconsolidation stress / ensemble learning / Bayesian optimization / 5-fold cross-validation / XGBoost / engineering geology

基金资助

国家自然科学基金项目(12172211)

国家重点研发计划项目(2019YFC1509800)